RGCVAE: Relational Graph Conditioned Variational Autoencoder for Molecule Design

要約

事前に指定された特性を示す分子を特定することは、解決するのが難しい問題です。
ここ数年、分子生成には深層生成モデルが使用されています。
ディープ グラフ変分オートエンコーダーは、この問題に対処できる最も強力な機械学習ツールの 1 つです。
ただし、既存の方法では真のデータ分布を把握するのが難しく、計算コストが高くなる傾向があります。
この研究では、以下に基づいた効率的かつ効果的なグラフ変分オートエンコーダである RGCVAE を提案します。(i) 新しい強力なリレーショナル グラフ同型ネットワークを活用したエンコード ネットワーク。
(ii) 新しい確率的復号コンポーネント。
広く採用されている 2 つのデータセットに対するいくつかの最先端の VAE 手法と比較して、RGCVAE は最先端の分子生成パフォーマンスを示し、トレーニングが大幅に高速です。

要約(オリジナル)

Identifying molecules that exhibit some pre-specified properties is a difficult problem to solve. In the last few years, deep generative models have been used for molecule generation. Deep Graph Variational Autoencoders are among the most powerful machine learning tools with which it is possible to address this problem. However, existing methods struggle in capturing the true data distribution and tend to be computationally expensive. In this work, we propose RGCVAE, an efficient and effective Graph Variational Autoencoder based on: (i) an encoding network exploiting a new powerful Relational Graph Isomorphism Network; (ii) a novel probabilistic decoding component. Compared to several state-of-the-art VAE methods on two widely adopted datasets, RGCVAE shows state-of-the-art molecule generation performance while being significantly faster to train.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google